资 源 简 介
应用背景基于图形的物体跟踪是一个重要的计算机视觉科学的分支，是适用于这两个行业和其他方面。图像跟踪方法大致分为2个主类别：概率跟踪和确定跟踪。概率跟踪方法已成为占主导地位，由于其稳定和强大的性能。卡尔曼滤波器和粒子滤波是它们的经典代表。卡尔曼过滤器对系统模型和后验分布有严格的限制因此，仅仅是能够处理线性，高斯和单模态情况。然而，在图像跟踪应用程序，后密度是往往是非线性的，非高斯和多模态，从而应用卡尔曼滤波器是有限的。不同于卡尔曼滤波，粒子滤波因为它的维护能力，在跟踪领域有了很大的发展状态的多模态分布和噪声的鲁棒性。本文主要讨论了粒子滤波在图像跟踪中的应用一系列理论基础，并实现了一个简单的自适应粒子滤波。关键技术计算机视觉科学中的基于图像的目标追踪是一个重要的分支，无论是在工业界还是在其他领域都有非常广泛的应用。图像跟踪方法大致可分为两大类概率跟踪方法和确定性跟踪方法。概率跟踪方法由于性能稳定、可靠，已经成为图像跟踪的主流方法。卡尔曼滤波聚类方法和粒子滤波方法就是这类方法的典型代表。卡尔曼滤波聚类方法对系统模型和后验概率有很高的要求和严格限制，只能处理线性，高斯，单模态的情况，而在图像跟踪应用中，后验概率的分布往往是非线性、非高斯、多模态的，因此卡尔曼滤波聚类方法的应用收到一定限制。与卡尔曼滤波聚类方法不同，粒子滤波对于系统模型没有特殊要求，而且能够保持状态的多模态分布，不易受杂波的影响，在跟踪领域得到了很大发展。本文主要探讨粒子滤波算法在图像跟踪当中的应用，它的一系列理论基础，以及实现了一个简单的自适应粒子滤波算法。
